meliz là một nền tảng tìm kiếm thời trang, cung cấp đa dạng các sản phẩm thời trang từ các thương hiệu bán chạy nhất trên thế giới.
meliz, một nền tảng tìm kiếm thời trang có trụ sở tại Hàn Quốc, đã sử dụng giải pháp Marketing Mix Modeling (MMM) độc quyền của Airbridge để phân tích hiệu suất quảng cáo trên các kênh khác nhau, từ đó tìm ra rằng việc phân bổ lại ngân sách quảng cáo sẽ tăng lượng cài đặt ứng dụng lên 5%.
meliz là một nền tảng tìm kiếm thời trang đa dạng, mang tới các sản phẩm thời trang từ các thương hiệu nổi tiếng trên toàn thế giới.
Meliz hướng tới mục tiêu trở thành cổng mua sắm 'Top of mind' cho tất cả người mua sắm thời trang Hàn Quốc, với mục tiêu cuối cùng là mở rộng ra toàn cầu.
Do ABLY Black, một chi nhánh của một nền tảng thương mại thời trang hàng đầu tại Hàn Quốc điều hành, meliz hiện nay cung cấp hơn 5 triệu sản phẩm từ hơn 7,000 thương hiệu trên công cụ tìm kiếm của mình. Dịch vụ đã có mức tăng trưởng đáng kinh ngạc - đạt 800K+ MAUs (Người dùng hàng tháng) và 1.6M+ lượt tải ứng dụng tích lũy trong vòng một năm kể từ khi ra mắt chính thức.
Sau khi đầu tư lớn để có được người dùng mới, meliz muốn tối đa hóa tiềm năng tăng trưởng của mình.
Tuy nhiên, khi các biện pháp bảo vệ quyền riêng tư của người dùng, chẳng hạn như chính sách App Tracking Transparency (ATT) của Apple, đã được áp dụng rộng rãi, mô hình phân bổ theo điểm tiếp xúc cuối cùngi không còn mô tả chính xác đóng góp của các kênh tiếp thị như trước đây.
Do đó, meliz cần một giải pháp mới để hiểu mỗi đóng góp của từng kênh trong khi đảm bảo quyền riêng tư của người dùng trong thời đại nơi mà quyền riêng tư của người dùng lên ngôi.
Trong vài tháng qua, Airbridge đã hợp tác chặt chẽ với meliz để xây dựng một mô hình MMM có thể đo lường hiệu suất quảng cáo theo từng kênh một cách thành công trong thời đại của quyền riêng tư.
Trong dự án với meliz, Airbridge đã cung cấp mô hình MMM theo phong cách tần suất độc quyền, liên tục làm mới dữ liệu bằng cách sử dụng bộ dữ liệu hàng ngày, tối ưu hóa phân tích và dự đoán. Với chi phí hàng ngày đã tổng hợp trên các chiến dịch UA (Thu hút người dùng) cho mỗi kênh là thông tin đầu vào, Airbridge đã đo lường đóng góp của mỗi kênh vào số lượng cài đặt ứng dụng và đề xuất một kế hoạch để tối đa hóa hiệu suất ngân sách. Phân tích được thực hiện trên 6 tháng dữ liệu, từ tháng 1 năm 2022 đến tháng 6 năm 2022.
Ngoài ra, vì mô hình MMM được xây dựng theo tính tương quan, không phải là nhân quả, nó yêu cầu hiệu chỉnh đều đặn với kết quả suy luận nhân quả (ví dụ: thực nghiệm trong thực tế) để cải thiện hiệu suất mô hình. Tuy nhiên, vì meliz không có dữ liệu thực nghiệm trước đây để hiệu chỉnh, Airbridge đã đề xuất sử dụng kết quả tăng dần Incrementality, đã được chứng minh giống với thực nghiệm tăng hiệu suất trong thực tế, như một phương án thay thế. Việc hiệu chỉnh được thực hiện vào tuần cuối cùng của tháng 5.
👉 Vui lòng tham khảo liên kết đính kèm để biết thêm về giải pháp Incrementality của Airbridge.
Meliz đã thu được một số thông tin quảng cáo quan trọng để hiểu rõ hơn về đóng góp thực sự của mỗi kênh và lập kế hoạch ngân sách để tăng cường hiệu suất.
*Organic đề cập đến đóng góp của các hoạt động không phải quảng cáo.
Đóng góp Organic
Kể từ khi iOS 14.5 được triển khai và chính sách ATT (App Tracking Transparency) được thực hiện, ngành công nghiệp ứng dụng di động đã gặp khó khăn trong việc thu thập thông tin của các người dùng từ chối ATT. Meliz không phải là ngoại lệ, có nghĩa là nó đã trải qua một sự gia tăng đáng kể trong các cài đặt "không rõ nguồn gốc" - lượng cài đặt không được ghi cho bất kỳ hoạt động quảng cáo nào như mô hình điểm chạm cuối cùng dựa trên lượng organic.
Theo tính chất, mô hình điểm chạm cuối cùng không thể ghi nhận lượng người dùng từ chối trừ khi người dùng thay đổi trạng thái đồng ý. Nói cách khác, trừ khi người dùng chọn tham gia, dữ liệu về người dùng vẫn không được ghi nhận.
Thật không may, MMM cũng có nhược điểm của nó. Như đã giải thích trước đó, mô hình MMM được đào tạo trên sự tương quan giữa các hoạt động và hiệu suất quảng cáo. Điều này đặt ra thách thức đối với việc đo lường kết quả organic, hoặc đóng góp của các hoạt động không phải quảng cáo. Một ưu điểm là mô hình MMM có thể được hiệu chuẩn bằng dữ liệu từ bên ngoàii như kết quả thí nghiệm, điều chỉnh đóng góp theo kênh để phản ánh thực tế. Airbridge đã sử dụng kết quả Incrementality, giống như thực nghiệm thực tế, để hiệu chuẩn trong dự án này, và do đó, đã tạo ra một đóng góp organic nhiều hơn so với mô hình điểm chạm cuối cùng.
Điều này chứng minh rằng so với mô hình điểm chạm cuối cùng, phụ thuộc nhiều vào dữ liệu cấp người dùng, mô hình MMM có thể đo lường thành công đóng góp theo kênh bằng cách tích hợp các dữ liệu thí nghiệm từ bên ngoài khác nhau ngay cả trong thời đại bảo mật quyền riêng tư.
Tăng đóng góp của các kênh quảng cáo hiển thị
Mô hình điểm chạm cuối cùng thường đánh giá cao đóng góp của quảng cáo tìm kiếm, liên quan đến hoạt động ở dưới đáy mô hình phễu - tìm kiếm, trong khi đánh giá thấp quảng cáo hiển thị với hoạt động ở phía trên của chuỗi chuyển động - quảng cáo hiển thị. Ngược lại, MMM tập trung vào sự tương quan giữa mỗi kênh và các sự kiện mục tiêu ( lượt cài đặt), và do đó, có thể công bằng ghi nhận đóng góp của mỗi kênh. Trong nghiên cứu này, Airbridge MMM cung cấp 39% đóng góp cho các kênh quảng cáo hiển thị thường bị bỏ qua trong mô hình ghi chú cuối cùng.
Tiềm năng tăng cường hiệu suất ngân sách
Vì MMM là một mô hình theo chuỗi thời gian, nó có thể dự đoán và mô phỏng các tình huống trong tương lai gần. Trong quá trình phân tích, MMM của Airbridge đề xuất một kế hoạch ngân sách mới để đầu tư nhiều hơn vào các kênh hiệu quả chi phí để kỳ vọng một tăng trưởng tiềm năng 5% trong tổng số cài đặt với cùng một ngân sách. Ngoài ra, dựa trên đề xuất của Airbridge, CPI trung bình cũng dự kiến giảm đi 4%.
Ngoài những hiểu biết kinh doanh chính, mô hình MMM của Airbridge cũng đã chứng minh là một giải pháp có khả năng và đáng tin cậy như dưới đây:
*MAPE (Mean Absolute Percentage Error) là chỉ số đo lường sai số dự đoán của mô hình theo tỷ lệ phần trăm, với giá trị MAPE thấp hơn đồng nghĩa với độ chính xác của mô hình tốt hơn.
"Trong quá trình làm việc với Airbridge, chúng tôi đã nhận thức được rằng MMM là một mô hình quan trọng khi quyết định liên quan tới quảng cáo trong thời đại bảo vệ quyền riêng tư để dự đoán hiệu suất tương lai và tối ưu hóa ngân sách."
- Jongsoo Shin, Marketing Manager, Ably Black (meliz)
Với công nghệ máy học độc quyền, mô hình MMM của Airbridge phân tích mối quan hệ giữa các yếu tố quảng cáo khác nhau. Mô hình được huấn luyện với dữ liệu tổng hợp từ các kênh và tích hợp nhiều phương pháp xử lý dữ liệu, như hiệu ứng truyền dẫn, để phản ánh sự thật một cách tốt hơn.
Với mô hình của mình, Airbridge cung cấp hai báo cáo MMM — "Phân Tích Hỗn Hợp Quảng Cáo" và "Tối Ưu Ngân Sách" — để giúp khách hàng đưa ra quyết định dựa trên dữ liệu. Báo cáo Phân Tích Hỗn Hợp Quảng Cáo phân tích đóng góp của mỗi kênh quảng cáo đối với mục tiêu mong muốn như doanh thu hoặc lượt cài đặt. "Tối Ưu Ngân Sách" đề xuất một phân bổ ngân sách tối ưu để đạt được hiệu suất tối đa trong giới hạn ngân sách đã cho.
Markter có thể tự do thử nghiệm các phương pháp quảng cáo khác nhau bằng cách sử dụng những tính năng này trên giao diện cực kỳ dễ sử dụng của Airbridge. Hơn nữa, hệ thống tích hợp của Airbridge và API endpoint hỗ trợ các nhà quảng cáo dễ dàng nhập dữ liệu để phân tích và xuất kết quả từ các báo cáo để hỗ trợ việc sử dụng giải pháp MMM cho quyết định theo ngày.
